CN111914484A - 一种用于电网暂态稳定评估的递归图卷积网络系统 - Google Patents

一种用于电网暂态稳定评估的递归图卷积网络系统 Download PDF

Info

Publication number
CN111914484A
CN111914484A CN202010789822.8A CN202010789822A CN111914484A CN 111914484 A CN111914484 A CN 111914484A CN 202010789822 A CN202010789822 A CN 202010789822A CN 111914484 A CN111914484 A CN 111914484A
Authority
CN
China
Prior art keywords
time
layer
graph
graph convolution
transient stability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010789822.8A
Other languages
English (en)
Other versions
CN111914484B (zh
Inventor
苏寅生
管霖
黄济宇
姚海成
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202010789822.8A priority Critical patent/CN111914484B/zh
Publication of CN111914484A publication Critical patent/CN111914484A/zh
Application granted granted Critical
Publication of CN111914484B publication Critical patent/CN111914484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种用于电网暂态稳定评估的递归图卷积网络系统，该系统保税库空间提取器、时序提取器、全局时间池化以及分类器。本发明以线路导纳为参考设计了新的卷积层的图关系矩阵，形成专用图卷积网络，采用图卷积算法实现基于拓扑关系的电网节点状态信息传递和融合；将包含专用图卷积网络的空间提取器与包含长短记忆网络(LSTM)的时序提取器级联，并在时序提取器之后设计时间池化层聚合多个时步的预测结果，形成适用于电网稳定评估的递归型深度图卷积模型，可以依次实现电网状态量数据的空间层和时间层特征聚合和特征提取提取，从而使得基于它建立的电网暂态稳定评估系统能适应电网拓扑结构的变化，表现出优越的泛化能力，且评估结果准确。

Description

一种用于电网暂态稳定评估的递归图卷积网络系统
技术领域
本发明涉及人工智能领域，具体涉及一种用于电网暂态稳定评估的递归图卷积网络系统。
背景技术
基于机器学习的人工智能方法建立电力系统暂态稳定评估模型，可以实现快速的在线稳定判别。它以样本学习为核心，通过离线学习挖掘电网状态量与稳定结果之间的映射关系，无需搭建大电网数学模型。目前，基于人工智能的电网稳定评估大多采用浅层机器学习模型，如支持向量机(support vector machine，SVM)、多层感知器(multilayerperceptron，MLP)等，需要依靠专家经验，人工进行特征提取，容易忽略重要的信息，在大电网中面临对运行方式泛化能力不足的局限性。随着深度学习的发展，堆叠自动编码器(stacked auto encoder，SAE)、卷积神经网络(convolutional neural network，CNN)、长短记忆网络(long-short term memory，LSTM)等通用深度学习模型也被直接引入稳定评估中，以期实现特征的自动提取。但是，这些通用模型不能很有效的考虑电网拓扑结构的影响，也不能同时兼顾庞大的电网状态信息之间的时间关联性和空间关联性的整合和集成需求。这使得基于常规深度学习模型建立的电网暂态稳定评估系统很难在电网拓扑结构变化后保持较高的评估准确性，而实际电网因为检修或故障而引起的拓扑结构的变化是频繁发生的。
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种用于电网暂态稳定评估的递归图卷积网络系统，该系统能适应电网拓扑结构的变化，获得较高的评估准确性。
为实现上述目的，本发明的技术方案是：
一种用于电网暂态稳定评估的递归图卷积网络系统，包括：
空间提取器，其包含有专用图卷积网络，用于对所输入的M个时步数据进行空间特征处理；所述专用图卷积网络以电网的线路导纳来设计卷积层的图关系矩阵，采用图卷积算法来实现基于拓扑关系的节点信息传递和融合；
时序提取器，其与所述空间提取器相级联，用于对经空间特征处理的M个时步数据数据进行时序特征处理，以获得M个时步的预测结果；
全局时间池化，用于将M个时步的预测结果融合为单个预测结果；
分类器，用于对单个预测结果进行处理，输出置信度，以获得暂态稳定评估结果。
本发明与现有技术相比，其有益效果在于：
1)以线路导纳为参考设计了新的卷积层的图关系矩阵，形成专用图卷积网络(GCN)，采用图卷积算法实现基于拓扑关系的电网节点状态信息传递和融合。
2)将包含专用图卷积网络的空间提取器(spatial extractor，SE)与包含长短记忆网络(LSTM)的时序提取器(temperal extractor，TE)级联，并在时序提取器之后设计时间池化层聚合多个时步的预测结果，形成适用于电网稳定评估的递归型深度图卷积模型(recurrent graph convolutional network，RGCN)，简称为RGCN模型。RGCN模型可以依次实现电网状态量数据的空间层和时间层特征聚合和特征提取提取，从而使得基于它建立的电网暂态稳定评估系统能适应电网拓扑结构的变化，表现出优越的泛化能力，且评估结果准确。
附图说明
图1为本发明实施例提供的用于电网暂态稳定评估的递归图卷积网络系统的模型原理图；
图2为IEEE 10机39节点系统组成示意图。
具体实施方式
实施例：
下面结合附图和实施例对本发明的技术方案做进一步的说明。
参阅图1所示，本实施例提供的用于电网暂态稳定评估的递归图卷积网络系统主要包括空间提取器(spatial extractor，SE)、时序提取器(temperal extractor，TE)、全局时间池化以及分类器。
其中，空间提取器该其包含有专用图卷积网络(GCN)，用于对所输入的M个时步数据进行空间特征处理；该专用图卷积网络以电网的线路导纳来设计卷积层的图关系矩阵，采用图卷积算法来实现基于拓扑关系的节点信息传递和融合；该时序提取器与上述空间提取器相级联，用于对经空间特征处理的M个时步数据数据进行时序特征处理，以获得M个时步的预测结果；该全局时间池化则用于将M个时步的预测结果融合为单个预测结果；该分类器则用于对单个预测结果进行处理，输出置信度，以获得暂态稳定评估结果。
由此可见，本系统通过以线路导纳为参考设计了新的卷积层的图关系矩阵，形成专用图卷积网络(GCN)，采用图卷积算法实现基于拓扑关系的电网节点状态信息传递和融合。
同时，将包含专用图卷积网络的空间提取器(spatial extractor，SE)与包含长短记忆网络(LSTM)的时序提取器(temperal extractor，TE)级联，并在时序提取器之后设计时间池化层聚合多个时步的预测结果，形成适用于电网稳定评估的递归型深度图卷积模型(recurrent graph convolutional network，RGCN)，简称为RGCN模型。RGCN模型可以依次实现电网状态量数据的空间层和时间层特征聚合和特征提取提取，从而使得基于它建立的电网暂态稳定评估系统能适应电网拓扑结构的变化，表现出优越的泛化能力，且评估结果准确。
可选地，上述图关系矩阵的构建与GCN卷积算法具体如下：
将母线看作节点，输电线路看作边，电网转化为一个无向加权图。考虑到作为电气距离的一种表示形式，节点导纳矩阵Y能够反映节点间的耦合联系强弱，把图关系矩阵A的元素定义为：
Figure BDA0002623351430000031
上式基于导纳模值的最大值|yij|max将导纳矩阵模值|yij|均归一化至(0，1)，避免出现数量级差异。D为A的对角稀疏度矩阵，其对角元素为归一化后的节点支路导纳之和：
Figure BDA0002623351430000032
对图关系矩阵A作对称归一化，即：
A′＝D-1/2AD-1/2 (3)
归一化图关系矩阵A′的元素a′ij形如：
Figure BDA0002623351430000033
其中，βij为修正系数，避免导纳值总和较大的节点占据大量的信息传播量，使得模型更容易辨识出关键节点。在实施例中，模型需要处理M个时步的信息，即需要定义M个图关系矩阵。第1到第M-1个时步的输入图关系矩阵根据扰动前节点导纳矩阵构建，而第M个图关系矩阵根据扰动清除瞬间的拓扑构建。例如，故障发生在节点i，j之间，需令a′ij＝0。
对于N节点电力系统，单个时步的GCN卷积算法以上述图关系矩阵为核心，将N×C维输入变换为N×F维输出：
Hl+1＝σ(A′HlW) (5)
其中，Hl，Hl+1表示第l层的输入、输出特征矩阵，W为C×F维的卷积核参数，σ(·)表示激活函数，本实施例采用ReLu函数。
由图1可知，本实施例提供的RGCN模型包括四个模块，其中SE与TE为多层模块，全局时间池化与分类器为单层模块。每个时步的SE、TE模块采用相同参数。下面按连接顺序阐述模型的构成：
1)输入环节：基于时域仿真获取扰动发生时刻t0+到扰动清除时刻tc+(包含t0+与tc+)各母线的电压幅值U、相角θ以及发电机转速ω(非发电机母线该状态量为0)，共计M个时步，每个时步的仿真数据作为对应时步的模块输入。对于N节点的电力系统，以下标分别代表节点与时步序号，每个时步的输入特征矩阵排列如下：
Figure BDA0002623351430000041
2)SE模块：M个共享参数的SE模块负责处理空间特征，包含GCN层、全连接层(fullconnected，FC)，在GCN层间以及GCN层与FC层间接有归一化层，此处为面向批量样本的批量归一化(batch normalization，BN)。GCN层是实现空间拓扑提取的核心，卷积算法如式(5)。
3)TE模块：M个TE模块负责处理时序特征，包含LSTM层、FC层，在LSTM层与FC层间接有归一化层，此处为面向层神经元的层归一化(layer normalization，LN)。LSTM层是实现时序联系提取的核心，采用已有文献中的典型LSTM算法。
4)全局时间池化：本发明设计的全局时间池化层将M个时步的预测结果[z1,z2,…,zM]融合为单个预测结果z：
Figure BDA0002623351430000042
5)分类器：由于暂态稳定评估为二分类任务，采用softmax函数作为分类器，输出置信度如下：
Figure BDA0002623351430000043
式中，zi表示单个预测结果的第i维数值；
Figure BDA0002623351430000044
表示第i个稳定类型的置信度。
6)输出环节：根据上述置信度，考虑到
Figure BDA0002623351430000045
定义
Figure BDA0002623351430000046
表示暂态失稳，即稳定情况输出为[10]T；反之则为暂态稳定，稳定情况输出为[01]T。
下面结合一个测试仿真实例来对本系统的效果原理进行进一步地说明：
以IEEE 10机39节点系统为测试系统，基于PSD-BPA完成仿真数据生成。实验平台为Pytorch，实验设备配置为Intel Core i7-97003.0GHz CPU，16GB RAM，GTX 1660Ti 6GGPU。测试包括如下步骤：
测试系统与仿真设置：
如图2所示，IEEE 10机39节点系统包括39个节点，10台发电机以及46条输电线路。所有发电机均为六阶模型，配有IEEEⅠ型励磁系统及IEEE G1型调速系统。进行时域仿真前，分别按以下规则设置不同拓扑、负荷、故障线路及故障发生位置：
1)在基准拓扑上随机开断线路形成N-1、N-2运行方式，剔除形成孤岛的运行方式；
2)设置负荷在标准算例的75％～120％范围内波动，发电机出力随机调整保证潮流平衡；
3)故障为最严重的三相金属接地短路故障，随机发生在系统的各条输电线路上；
4)故障发生在线路首端和末端；
5)故障清除时间设置为0.1s，继保及时动作切除故障线路。
6)仿真时长设置为4s，在仿真结束后对样本进行标注。令|Δδ|max为仿真过程中任意两台发电机最大功角差的绝对值。当|Δδ|max大于180°，即η＜0时，一台或多台发电机将失去同步，此时认为系统发生了暂态失稳，系统稳定状态记为c＝[10]T；反之，则认为系统运行在稳定状态，系统稳定状态为c＝[01]T。
在PSD-BPA进行暂态仿真后，一共生成29500个样本，稳定与失稳样本数目分别为25168、4332。为了方便验证算法对拓扑的学习能力以及在未知拓扑上的适应性，基准方式及所有N-1方式划分为训练集，其余N-2方式作为验证集和测试集，其中三者的比例约为6：2：2。下面详细阐述图关系矩阵的构建
图关系矩阵构建：
根据图2的系统结构及39节点典型参数构建图关系矩阵A。由于该矩阵较为稀疏，对角元素均为1，且满足A＝AT，下面仅给出上三角的非对角非零元素(i＜j)数值及其在矩阵中的对应位置(i,j)：
表1图关系矩阵A
Figure BDA0002623351430000051
Figure BDA0002623351430000061
对角稀疏的度矩阵D的对角元素(i,i)，即第i个节点的度如下：
表2度矩阵D
Figure BDA0002623351430000062
经过式(3)得到归一化图系数矩阵A′，矩阵的上三角非对角非零元素(i＜j)数值及其在矩阵中对应位置(i,j)如下：
表3归一化图系数矩阵A′
Figure BDA0002623351430000071
模型输入、输出及性能展示
单个样本的输入、输出：
仿真数据中所有样本均包含时步数M＝11的特征矩阵，其中一个样本扰动清除时刻的归一化特征矩阵按行排列如下：
表4扰动清除时刻的输入特征矩阵
Figure BDA0002623351430000072
Figure BDA0002623351430000081
Figure BDA0002623351430000091
对于该样本，稳定评估模型的输出为[10]T，即暂态失稳。
测试集上的模型性能：
对于测试集的所有样本，评价指标采用通用的准确率ACC、漏警率MA、误警率FA以及综合指标G-mean：
Figure BDA0002623351430000092
Figure BDA0002623351430000093
Figure BDA0002623351430000094
Figure BDA0002623351430000095
其中TP为稳定样本被预测为稳定的比例，FN为稳定样本中预测为失稳的比例，TN为失稳样本被预测为失稳的比例，FP为失稳样本被预测为稳定的比例。
基于4.2的图系数矩阵，以及上述的特征输入，设置多组参数，在训练集中训练得到各组参数在验证集的最优表现，再从中挑选出表现最好的参数作为最终模型参数，如表5所示。
表5超参数设置
Figure BDA0002623351430000096
Figure BDA0002623351430000101
上述模型在测试集上的性能指标如表6所示：
表6模型性能展示
Figure BDA0002623351430000102
显然，RGCN在N-2测试集上保持大于99％的准确率，兼顾在失稳、稳定样本上的预测准确率，对拓扑变化具有优越的泛化能力和较高的可靠性。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，包括：
空间提取器，其包含有专用图卷积网络，用于对所输入的M个时步数据进行空间特征处理；所述专用图卷积网络以电网的线路导纳来设计卷积层的图关系矩阵，采用图卷积算法来实现基于拓扑关系的节点信息传递和融合；
时序提取器，其与所述空间提取器相级联，用于对经空间特征处理的M个时步数据数据进行时序特征处理，以获得M个时步的预测结果；
全局时间池化，用于将M个时步的预测结果融合为单个预测结果；
分类器，用于对单个预测结果进行处理，输出置信度，以获得暂态稳定评估结果。
2.如权利要求1所述的用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，所述专用图卷积网络以电网的线路导纳来设计卷积层的图关系矩阵，采用图卷积算法来实现基于拓扑关系的节点信息传递和融合包括：
将母线看作节点，输电线路看作边，将电网转化为一个无向加权图；节点导纳矩阵Y能够反映节点间的耦合联系强弱，把图关系矩阵A的元素定义为：
Figure FDA0002623351420000011
上式基于导纳模值的最大值|yij|max将导纳矩阵模值|yij|均归一化至(0，1)，D为A的对角稀疏度矩阵，其对角元素为归一化后的节点支路导纳之和：
Figure FDA0002623351420000012
对图关系矩阵A作对称归一化，即：
A′＝D-1/2AD-1/2 (3)
归一化图关系矩阵A′的元素a′ij形如：
Figure FDA0002623351420000013
其中，βij为修正系数，模型需要处理M个时步的信息，即需要定义M个图关系矩阵，第1到第M-1个时步的输入图关系矩阵根据扰动前节点导纳矩阵构建，而第M个图关系矩阵根据扰动清除瞬间的拓扑构建；
对于N节点电力系统，单个时步的GCN卷积算法以上述图关系矩阵为核心，将N×C维输入变换为N×F维输出：
Hl+1＝σ(A′HlW) (5)
其中，Hl，Hl+1表示第l层的输入、输出特征矩阵，W为C×F维的卷积核参数，σ(·)表示激活函数。
3.如权利要求1所述的用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，所述M个时步数据为：基于时域仿真获取扰动发生时刻t0+到扰动清除时刻tc+，其包含t0+与tc+各母线的电压幅值U、相角θ以及发电机转速ω，共计M个时步，每个时步的仿真数据作为对应时步的输入；对于N节点的电力系统，以下标分别代表节点与时步序号，每个时步的输入特征矩阵排列如下：
Figure FDA0002623351420000021
4.如权利要求2所述的用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，所述空间提取器和时序提取器为多层模块，全局时间池化与分类器为单层模块。
5.如权利要求4所述的用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，所述空间提取器包括GCN层、全连接层，在GCN层间以及GCN层与FC层间接有归一化层，此处为面向批量样本的批量归一化；GCN层的卷积算法如式(5)。
6.如权利要求4所述的用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，时序提取器包括LSTM层、FC层，在LSTM层与FC层间接有归一化层，此处为面向层神经元的层归一化。
7.如权利要求1所述的用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，所述全局时间池化将M个时步的预测结果[z1,z2,…,zM]融合为单个预测结果z的方式为：
Figure FDA0002623351420000022
8.如权利要求1所述的用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，所述分类器采用softmax函数作为分类器，输出置信度如下：
Figure FDA0002623351420000023
式中，zi表示单个预测结果的第i维数值；
Figure FDA0002623351420000024
表示第i个稳定类型的置信度。
9.如权利要求8所述的用于电网暂态稳定评估的递归图卷积网络系统，其特征在于，所述获得暂态稳定评估结果的方式为：
根据所输出的置信度，考虑到
Figure FDA0002623351420000031
定义
Figure FDA0002623351420000032
表示暂态失稳，即稳定情况输出为[1 0]T；反之则为暂态稳定，稳定情况输出为[0 1]T；
Figure FDA0002623351420000033
表示失稳的置信度，
Figure FDA0002623351420000034
表示稳定的置信度。
10.如权利要求2所述的于电网暂态稳定评估的递归图卷积网络系统，其特征在于，所述激活函数采用ReLu函数。
CN202010789822.8A 2020-08-07 2020-08-07 一种用于电网暂态稳定评估的递归图卷积网络系统 Active CN111914484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010789822.8A CN111914484B (zh) 2020-08-07 2020-08-07 一种用于电网暂态稳定评估的递归图卷积网络系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010789822.8A CN111914484B (zh) 2020-08-07 2020-08-07 一种用于电网暂态稳定评估的递归图卷积网络系统

Publications (2)

Publication Number Publication Date
CN111914484A true CN111914484A (zh) 2020-11-10
CN111914484B CN111914484B (zh) 2024-03-26

Family

ID=73283254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010789822.8A Active CN111914484B (zh) 2020-08-07 2020-08-07 一种用于电网暂态稳定评估的递归图卷积网络系统

Country Status (1)

Country Link
CN (1) CN111914484B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989133A (zh) * 2021-03-29 2021-06-18 广州水沐青华科技有限公司 一种电器设备的图数据建模电力指纹识别方法、存储介质及系统
CN113505526A (zh) * 2021-06-22 2021-10-15 清华大学 电力系统暂态稳定仿真方法、装置、电子设备和存储介质
CN113536509A (zh) * 2021-08-05 2021-10-22 合肥工业大学 一种基于图卷积网络的微电网拓扑辨识方法
CN113762625A (zh) * 2021-09-09 2021-12-07 国网山东省电力公司经济技术研究院 一种基于图卷积网络的配电网状态评估方法和系统
CN114050975A (zh) * 2022-01-10 2022-02-15 苏州浪潮智能科技有限公司 一种异构多节点互联拓扑生成方法和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0956069A (ja) * 1995-08-21 1997-02-25 Hitachi Ltd 電力系統の安定化方法および装置
JPH11161302A (ja) * 1997-11-26 1999-06-18 Toshiba Corp 電力系統監視制御装置及び該装置の処理プログラムを記録する記録媒体
JP2007181387A (ja) * 2005-12-01 2007-07-12 Chubu Electric Power Co Inc 電力系統の過渡安定度判別方法およびその装置
CN103050970A (zh) * 2013-01-15 2013-04-17 华北电力大学 一种适用于特高压电网分层分区的稳定性分析及优化方法
CN109033702A (zh) * 2018-08-23 2018-12-18 国网内蒙古东部电力有限公司电力科学研究院 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法
JP2019030065A (ja) * 2017-07-26 2019-02-21 株式会社東芝 電力系統信頼度評価システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0956069A (ja) * 1995-08-21 1997-02-25 Hitachi Ltd 電力系統の安定化方法および装置
JPH11161302A (ja) * 1997-11-26 1999-06-18 Toshiba Corp 電力系統監視制御装置及び該装置の処理プログラムを記録する記録媒体
JP2007181387A (ja) * 2005-12-01 2007-07-12 Chubu Electric Power Co Inc 電力系統の過渡安定度判別方法およびその装置
CN103050970A (zh) * 2013-01-15 2013-04-17 华北电力大学 一种适用于特高压电网分层分区的稳定性分析及优化方法
JP2019030065A (ja) * 2017-07-26 2019-02-21 株式会社東芝 電力系統信頼度評価システム
CN109033702A (zh) * 2018-08-23 2018-12-18 国网内蒙古东部电力有限公司电力科学研究院 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LAI, CHI QIN等: "Arrangements of Resting State Electroencephalography as the Input to Convolutional Neural Network for Biometric Identification", COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE, pages 1 - 11 *
刘威;张东霞;王新迎;刘道伟;吴茜;: "基于随机矩阵理论的电力系统暂态稳定性分析", 中国电机工程学报, no. 18, pages 57 - 66 *
杨维全等: "基于卷积神经网络的暂态电压稳定快速评估", 电力系统自动化, vol. 43, no. 22, pages 46 - 52 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989133A (zh) * 2021-03-29 2021-06-18 广州水沐青华科技有限公司 一种电器设备的图数据建模电力指纹识别方法、存储介质及系统
CN112989133B (zh) * 2021-03-29 2022-10-04 广州水沐青华科技有限公司 一种电器设备的图数据建模电力指纹识别方法、存储介质及系统
CN113505526A (zh) * 2021-06-22 2021-10-15 清华大学 电力系统暂态稳定仿真方法、装置、电子设备和存储介质
CN113505526B (zh) * 2021-06-22 2024-06-11 清华大学 电力系统暂态稳定仿真方法、装置、电子设备和存储介质
CN113536509A (zh) * 2021-08-05 2021-10-22 合肥工业大学 一种基于图卷积网络的微电网拓扑辨识方法
CN113536509B (zh) * 2021-08-05 2023-04-18 合肥工业大学 一种基于图卷积网络的微电网拓扑辨识方法
CN113762625A (zh) * 2021-09-09 2021-12-07 国网山东省电力公司经济技术研究院 一种基于图卷积网络的配电网状态评估方法和系统
CN114050975A (zh) * 2022-01-10 2022-02-15 苏州浪潮智能科技有限公司 一种异构多节点互联拓扑生成方法和存储介质
CN114050975B (zh) * 2022-01-10 2022-04-19 苏州浪潮智能科技有限公司 一种异构多节点互联拓扑生成方法和存储介质

Also Published As

Publication number Publication date
CN111914484B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
CN111914484A (zh) 一种用于电网暂态稳定评估的递归图卷积网络系统
JP2023501030A (ja) 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法
Kamruzzaman et al. A convolutional neural network-based approach to composite power system reliability evaluation
US20210064978A1 (en) Information processing device, information processing method, and storage medium
CN110829417A (zh) 基于lstm双结构模型的电力系统暂态稳定预测方法
Rashidi et al. LEs based framework for transient instability prediction and mitigation using PMU data
CN113608140A (zh) 一种电池故障诊断方法及系统
Thirugnanasambandam et al. AdaBoost classifiers for phasor measurements‐based security assessment of power systems
Zhang et al. Robust classification model for PMU‐based on‐line power system DSA with missing data
Du et al. Applying deep convolutional neural network for fast security assessment with N-1 contingency
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
CN116316699A (zh) 一种大电网频率安全态势预测方法、装置及存储介质
Liang et al. Status evaluation method for arrays in large-scale photovoltaic power stations based on extreme learning machine and k-means
Wang et al. The Cable Fault Diagnosis for XLPE Cable Based on 1DCNNs‐BiLSTM Network
CN114784793A (zh) 基于机器学习的新能源电网连锁故障预测方法及存储介质
Gao et al. Design and application of a fault diagnosis and monitoring system for electric vehicle charging equipment based on improved deep belief network
CN110389268A (zh) 一种电力系统的在线监测系统
JP2006162541A (ja) 事故点標定方法、システム及びプログラム
CN116933860A (zh) 暂态稳定评估模型更新方法、装置、电子设备及存储介质
CN113435575B (zh) 基于不平衡数据的门图神经网络暂态稳定性评估方法
CN115275975A (zh) 一种光储充电站电力数据匹配度的确定方法及装置
CN115065166A (zh) 一种低压配电网状态感知及异常告警方法
Ge et al. Remaining useful life prediction using deep multi-scale convolution neural networks
Zhou et al. Transient stability assessment of large-scale AC/DC hybrid power grid based on separation feature and deep belief networks
Lo et al. Application of Kohonen self-organising neural network to static security assessment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant